[发明专利]一种基于ARIMA模型的网络数据流预测方法

说明书

技术领域

本发明涉及软件自定义网络环境领域，具体涉及一种基于ARIMA模型的网络数据 流预测方法。

背景技术

目前，随着互联网日益发展和普及，网络流量数据正以惊人速度不断增长并呈现 多样化，给网络运营与管理带来巨大压力与挑战，为优化网络资源配置，减轻网络拥塞，合 理分配带宽，确保业务的QoS服务质量，提出基于ARIMA模型的网络数据流预测方法，它能够 有效规划网络。

发明内容

有鉴于此，本发明的目的是提供一种基于ARIMA模型的网络数据流预测方法，以实 现对互联网流量数据的有效分析和预测，网络管理者可以根据规律，制定相应调度和管理 策略。

本发明采用以下方案实现：一种基于ARIMA模型的网络数据流预测方法，具体包括 以下步骤：

步骤S1：数据预处理：去除网络流中的冗余数据，错误数据以及缺失数据；

步骤S2：特征提取：提取包括包长与包到达间隔时间的常用流量特征，通过PCA与 信息增益降低维数；将n个特征生成2ⁿ个特征子集，通过CFS和最优优先搜索生成特征候选 集；

步骤S3：流量聚类：使用GMM聚类方法，将网络流分成若干应用类别，构建流量预测 框架实现短期预测；

步骤S4：分析预测：针对任意一应用类别的流量数据，取一组连续的网络流量时间 序列X＝{x₁,…,x_t}进行ARIMA差分自回归滑动平均模型的分析，其中x_t为第t个时间段内的 网络通信量。

进一步地，所述步骤S3具体包括以下步骤：

步骤S31：建立高斯混合模型：高斯混合模型定义为用k个单高斯密度函数线性叠 加的线性模型：

p(x)=Σi=1kπiNi(x;μi,Σi)---(1),]]>

其中，π_i指第i个高斯的权重因子，所以N(x；μ_i,∑_i)是均值为μ_i和协方差为∑_i的高斯概率密度函数。

步骤S32：使用最大似然法做参数估计，使样本点在估计的概率密度函数上的概率 值最；m个样本集X的log似然函数如下：